商业数据分析——连单和连单品牌

Market Basket Analysis，简称MBA，直译为商业购物车分析。在零售行业，我们需要大量的客户行为信息来判断以及预测顾客的消费行为，在智能化已经满天飞的今天，很多线下商业环境还秉持着保守的作风，在预计销售指标的传统作业中，仍然依靠经验判断显然已经不符合变化如此之快的行业形势。本文将针对于商业智能化的前提——数据挖掘中的消费连单进行一个简单的分析。

关于连单率是衡量商业体品牌结构和货品深度的一大直观衡量标准，针对于客群的准确定位会无上限的增加销售业绩。我们通常想要知道的是哪些客人可能会在单日多次消费，又有哪些品牌更会促进连单消费。

那么首先要问自己几个问题：

1、我们是否应该在产品层面或类别层面进行分析？

2、哪些是客户一起购买的产品？

3、如果产品“A”销售推动产品“B”销售，我们可以得出结论吗？

4、考虑到客户购买了一个产品或一组产品，需要推荐什么产品？

我们首先要解决一个大问题：在顾客购买A时怎么知道他也购买了B？一般的企业都有IT同事，他们都有交易记录查询的权限，可以通过水单号、会员卡、日期、银行卡号等很多办法来确认连单情况，这是属于数据摘取和清洗过程，是非常繁琐和困难的，一般数据格式化的时间会占用整个分析过程的60%以上的时间，且必须由人工来判断和完成。

过程不多说了，总之很繁琐也很辛苦。在进行初步筛选之后我拿到了第一笔数据：

1、VIP会员的连单率要比普通顾客要高（VIP可能发生连单13.7%、普通顾客可能发生连单6.97%）

2、总交易中，有27.8%的交易来自于连单交易，而VIP会员的连单交易占57.4%

3、VIP会员约占总交易的60%

结果是很有意思的，客人会不知不觉的购买一些商品。我在上一篇《

原来如此的消费周期

》中说到，平均45~60天会有一个忠实顾客回店消费，且会保证在年平均客单价以上，其中女性要比男性的回店频次更稳定。那么都有哪些商铺会产生连带交易呢？

在阐述下面分析结果之前，首先需要介绍几个概念：衡量品牌间影响力有几个重要的参数，他们分别是：

Support（支持度）=

同时购买A和B两种商品的交易笔数 ➗ 总交易笔数

支持度：支持表示与产品组合的交易百分比。 这是检查是否有足够交易支持该规则的重要指标。

Confidence（置信度）=

同时购买A和B两种商品的交易笔数➗A商品的总交易笔数

ExpectedConfidence（预计置信度）=

购买B商品的交易笔数➗总交易笔数

置信度：为了衡量关联规则的质量，使用了另一个度量置信度。 支持一个产品购买的条件的规则的比较。

Lift （梯度） =

置信度➗预计置信度

梯度：是衡量规则的重要因素。 它将规则的可信度与预期的自信相比较。 所以，Lift的价值越高的规则越好。 接近1的值为符合连单效果

以下结果采自2017年某商场全年消费情况：

“ - ” 符号的左右代表了两个品牌的关联程度，原来的报表为A ->B，即购买A品牌之后可能购买B品牌的情况，但为了简化效果，我将该部分的结果变为 A B，即同一个客人在同一天内同时购买两个品牌的情况。

最高的是Puella 和 La chapell组合，由于数量很多，我只列出了前20位。也就是说这些品牌连单购买组合是比较常见且较为明显的。

置信度组合中，Puella - La chapell 仍然高居榜首，但数值上看他的连单置信度要比其他品牌品牌组合更高。而低于0.01的组合则需要根据实际情况进行更稳定的推荐消费。

除去最高的表现之外，Premiata-Philips组合占据了第二的位置，我有点儿不能理解，但数据分析往往可以打破我们的传统观念；其次是玺龙-红古尔，婷美-千百莉，ELAND-维尼熊，这些梯度值均高于1，之后的牌子在临近值1的范围内。

高于1或在1临近的组合，表明预期连单消费和连单实际达成的规则完整，在过去的时间段内拥有不错的反馈度，甚至已经完成了客户习惯的培养；而其余低于0.5的品牌组合，虽然产生过连单消费，但并不稳定，可能还在处于客人习惯的培养当中。

那么全年总共的品牌连带消费组合是和交易量是什么样的呢：

以上为分析结果，欢迎指正。

P.S. 以上分析仅为粗略的概述，分析过程经过了长时间的数据清洗以及大量的数学运算，这一组数据实际为65万行，即65万笔交易记录，因此我使用了Python和R语言交互做分析，类似量级的分析如果用Excel来完成是会非常辛苦的。

数据分析是一个痛苦而缓慢的过程，需要分析人员有强烈的热情和极大的耐心，也欢迎下面留言交流。